基於深度學習的犬種識別系統詳解（網頁版+YOLOv8/v7/v6/v5程式碼+訓練資料集）

逗逗班学Python發表於2024-04-04

摘要：本文深入研究了基於YOLOv8/v7/v6/v5等深度學習模型的犬種識別技術，核心採用YOLOv8並整合了YOLOv7、YOLOv6、YOLOv5演算法，進行效能指標對比；詳述了國內外研究現狀、資料集處理、演算法原理、模型構建與訓練程式碼，及基於Streamlit的互動式Web應用介面設計。在Web網頁中可以支援影像、影片和實時攝像頭進行犬種識別，可上傳不同訓練模型（YOLOv8/v7/v6/v5）進行推理預測，介面可方便修改。本文附帶了完整的網頁設計、深度學習模型程式碼和訓練資料集的下載連結。

1. 網頁功能與效果
2. 緒論
- 2.1 研究背景及意義
- 2.2 國內外研究現狀
- 2.3 要解決的問題及其方案
  - 2.3.1 要解決的問題
  - 2.3.2 解決方案
- 2.4 博文貢獻與組織結構
3. 資料集處理
4. 原理與程式碼介紹
- 4.1 YOLOv8演算法原理
- 4.2 模型構建
- 4.3 訓練程式碼
5. 實驗結果與分析
- 5.1 訓練曲線
- 5.2 混淆矩陣
- 5.3 YOLOv8/v7/v6/v5對比實驗
6. 系統設計與實現
- 6.1 系統架構概覽
- 6.2 系統流程
程式碼下載連結
7. 結論與未來工作

➷點選跳轉至文末所有涉及的完整程式碼檔案下載頁☇

完整資源中包含資料集及訓練程式碼，環境配置與介面中文字、圖片、logo等的修改方法請見影片，專案完整檔案下載請見演示與介紹影片的簡介處給出：➷➷➷
演示與介紹影片 ：https://www.bilibili.com/video/BV1Ax4y1v7sY/
YOLOv8/v7/v6/v5專案合集下載：https://mbd.pub/o/bread/mbd-ZZ2Xm5pv
YOLOv8和v5專案完整資源下載：https://mbd.pub/o/bread/mbd-ZZ2XmJdp
YOLOv7專案完整資源下載：https://mbd.pub/o/bread/mbd-ZZ2XmZ1q
YOLOv6專案完整資源下載：https://mbd.pub/o/bread/mbd-ZZ2Xmp1s

若您想獲得博文中涉及的實現完整全部資原始檔（包括測試圖片、影片，py, UI檔案，訓練資料集、訓練程式碼、介面程式碼等），這裡已打包上傳至博主的麵包多平臺，見可參考部落格與影片，已將所有涉及的檔案同時打包到裡面，點選即可執行，完整檔案截圖如下：

基於深度學習的犬種識別系統詳解（網頁版+YOLOv8/v7/v6/v5程式碼+訓練資料集）

1. 網頁功能與效果

（1）開啟攝像頭實時檢測：本系統允許使用者透過網頁直接開啟攝像頭，實現對實時影片流中犬種的檢測。系統將自動識別並分析畫面中的犬種，並將檢測結果實時顯示在使用者介面上，為使用者提供即時的反饋。

（2）選擇圖片檢測：使用者可以上傳本地的圖片檔案到系統中進行犬種識別。系統會分析上傳的圖片，識別出圖片中的犬種，並在介面上展示帶有犬種標籤和置信度的檢測結果，讓使用者能夠清晰地瞭解到每個犬種狀態。

（3）選擇影片檔案檢測：系統支援使用者上傳影片檔案進行犬種識別。上傳的影片將被系統逐幀分析，以識別和標記影片中每一幀的犬種。使用者可以觀看帶有犬種識別標記的影片，瞭解影片中犬種的變化。

（4）選擇不同訓練好的模型檔案：系統整合了多個版本的YOLO模型（如YOLOv8/v7/v6/v5），使用者可以根據自己的需求選擇不同的模型進行犬種識別。這一功能使得使用者能夠靈活地比較不同模型的表現，以選擇最適合當前任務的模型。

系統支援開啟攝像頭實時檢測功能，使使用者能夠透過攝像頭捕捉畫面並即時識別其中的犬種。此外，使用者還可以選擇圖片檢測和選擇影片檔案檢測，從而對儲存在本地的影像和影片檔案進行犬種識別。系統還提供了一個功能強大的選項，允許使用者選擇不同訓練好的模型檔案，包括YOLOv8、v7、v6、v5等，以適應不同的識別需求和最佳化效能。

為了增強使用者體驗，我們設計了檢測畫面和原始畫面的同時或單獨顯示功能，使用者可以透過簡單的操作選擇他們偏好的展示方式。系統中的下拉框允許使用者單獨標記特定目標並顯示結果，提高了識別結果的可用性和靈活性。所有的檢測結果會實時儲存並在頁面表格中顯示，方便使用者檢視和分析。

針對專業使用者或對結果精確度有更高要求的情況，我們提供了功能來動態調整檢測演算法的置信度閾值和IOU閾值，從而在減少誤識別和遺漏的同時，達到最優的檢測效果。為了便於資料的進一步處理和分析，使用者可以透過點選按鈕，將檢測的表格結果輸出到csv檔案。最後，為了滿足使用者儲存和分享檢測結果的需求，系統支援將標記過的圖片、影片、攝像頭畫面結果匯出為avi影像檔案。這一功能不僅便於使用者記錄和分享識別結果，也有利於進一步的研究和應用。

2. 緒論

2.1 研究背景及意義

在現代社會，隨著寵物文化的興起和人們生活水平的提高，寵物狗已經成為許多家庭中不可或缺的成員。寵物狗的品種繁多，不同品種的狗擁有不同的性格、體型和護理需求。因此，犬種識別技術的研究與應用，對於寵物愛好者、獸醫和動物保護組織等具有重要的實際意義。犬種識別可以幫助人們更好地理解和照顧他們的寵物，同時對於遺傳疾病的研究、遺失寵物的尋找以及犬隻的品種改良等方面也有著重要的作用。

隨著人工智慧技術，尤其是深度學習的快速發展，基於影像處理的犬種識別方法已經取得了顯著的進展。傳統的犬種識別方法主要依賴於專業人士的經驗和知識，這種方法不僅效率低下，而且容易受到個人主觀因素的影響，準確性有限。而基於深度學習的犬種識別技術，透過訓練大量的影像資料，使計算機能夠自動學習並識別不同犬種的特徵，大大提高了識別的速度和準確性。

近年來，深度學習在影像識別領域的應用日益廣泛，其中YOLO(You Only Look Once)系列模型因其高效率和高準確度而成為目標檢測領域的熱門研究話題。從YOLOv1到最新的YOLOv8，每一代模型都在效能上有所提升，特別是在處理速度和準確性方面取得了良好的平衡。YOLOv8作為最新版本，在繼承前幾代模型優點的基礎上，透過演算法最佳化、網路結構改進等手段，進一步提高了模型的檢測效能。

犬種識別技術的研究和應用對於促進人與寵物的和諧共處、推動獸醫醫療的發展、保護動物多樣性等方面都具有重要的意義。隨著深度學習技術的不斷進步，未來的犬種識別系統將會更加智慧、高效和準確，為人類和動物的福祉做出更大的貢獻。

2.2 國內外研究現狀

目前，在犬種識別領域，基於深度學習的方法已經成為主流。這些方法依靠大規模影像資料集進行訓練，能夠自動提取和學習犬種的特徵，從而實現高準確度的識別。特別是YOLO系列演算法，在速度和準確度方面表現出了卓越的效能，成為了眾多研究者關注的焦點。

隨著技術的發展，YOLO系列模型經歷了多次迭代更新。從YOLOv1到最新的YOLOv8，每個版本都在前一個版本的基礎上進行了改進和最佳化。YOLOv8模型不僅在識別速度上有所提升，而且在準確度方面也做出了顯著的改進，這得益於其更加深入的網路結構和更加高效的特徵提取機制^[1]。此外，YOLOv8在處理小物體和複雜背景方面的能力也有所增強，這對於犬種識別尤其重要，因為實際應用中的影像往往包含複雜的背景和多樣的姿態變化。

除了YOLO系列，還有其他演算法也在犬種識別領域展現出了良好的效能。例如，Faster R-CNN作為一種經典的目標檢測演算法，透過引入區域建議網路（RPN），大大提高了檢測的速度和精度。儘管在速度方面不如YOLO模型，Faster R-CNN在精細化任務中仍然具有很高的應用價值^[2]。此外，SSD演算法透過直接預測目標的邊界框和類別機率，簡化了訓練過程，並在多種目標檢測任務中取得了不錯的成績^[3]。

與此同時，ViT和基於注意力機制的模型開闢了目標檢測技術的新方向。ViT透過將影像分割成序列化的塊，並利用Transformer結構處理這些序列，展示了與卷積神經網路(CNN)不同的視角和潛力。注意力機制的引入，特別是在處理影像中的細節和上下文資訊時，顯示出其對提高模型識別能力的重要作用^[4]。這些技術的創新，為處理犬種識別中的細節特徵和複雜背景提供了有效的方法。

DETR和最新的Glod-YOLO則是目標檢測領域的新興技術。DETR透過直接利用Transformer結構處理目標檢測任務，摒棄了傳統的錨框和NMS步驟，簡化了檢測流程，同時保持了高準確率。Glod-YOLO^[5]作為YOLO系列的最新進展，透過引入全域性和區域性最佳化策略，進一步提升了檢測的準確性和效率，顯示了在犬種識別等任務中的巨大潛力。

總結來說，目標檢測技術的快速發展，為犬種識別等複雜影像處理任務提供了多樣化和高效的解決方案。這些技術的進步不僅體現在演算法和模型的最佳化上，更重要的是它們在實際應用中的有效性和實用價值。隨著深度學習技術的不斷進步，未來在犬種識別領域還將出現更多的創新和突破。

2.3 要解決的問題及其方案

2.3.1 要解決的問題

在開發基於YOLOv8/v7/v6/v5的犬種識別系統時，我們面臨了一系列具有挑戰性的問題，這些問題直接影響到系統的效能和使用者體驗。以下是我們識別出的主要問題以及對應的目標。

犬種識別的準確性和速度：犬種識別的核心挑戰在於如何實現對各種犬種的高準確度識別以及實時處理。鑑於犬種的多樣性以及每種犬隻可能展現出的複雜多樣的外觀特徵，系統需要能夠精準地辨識出微妙的特徵差異。此外，考慮到實際應用場景中，犬隻可能會快速移動、部分被遮擋或呈現不同姿態，我們的系統必須能夠快速響應並準確無誤地完成犬種識別。
環境適應性和模型泛化能力：犬隻可能出現在多變的自然或人工環境中，這對犬種識別系統提出了額外的挑戰。不同的光照條件、複雜的背景以及各種天氣變化等因素都可能對識別準確率造成影響。因此，我們的系統需要具備優秀的環境適應性和強大的模型泛化能力，確保在各種環境條件下都能維持高準確度的識別結果。
使用者互動介面的直觀性和功能性：為了讓使用者能夠有效地使用犬種識別系統，我們重視直觀、易用且功能豐富的使用者介面設計。使用者介面應簡潔明瞭，使使用者能夠輕鬆學習和使用系統，同時提供實時檢測、歷史資料查詢、模型切換等關鍵功能，以滿足不同使用者的需求。
資料處理能力和儲存效率：鑑於系統將處理大量影像和影片資料，強大的資料處理能力和高效的儲存機制成為我們必須考慮的要素。這關係到系統的實時效能和長期資料管理的有效性。此外，考慮到使用者隱私和資料安全的重要性，我們還需確保資料的安全性和隱私保護措施到位。
系統的可擴充套件性和維護性：隨著科技進步和使用者需求的變化，系統可能需要支援更多犬種的識別或整合新技術以提升效能。因此，系統設計時就應充分考慮到未來的可擴充套件性，以便於後續無縫整合新模型或功能。同時，系統的維護性也非常關鍵，確保系統能夠持續穩定執行並容易進行更新和升級。

2.3.2 解決方案

針對本系統的特定挑戰，我們採取了一系列創新方法來設計和實現基於YOLOv8/v7/v6/v5的犬種識別系統。以下是我們的解決方案細節：

深度學習模型的選擇和最佳化：我們選擇了YOLO系列中的最新版本—YOLOv8，以及其前幾個版本YOLOv7、v6、v5作為核心的深度學習模型。這些模型因其在速度和準確度之間的優秀平衡而被選中。特別是YOLOv8，它透過進一步的網路結構最佳化和訓練技巧，為實時犬種識別提供了強大的支援。我們利用多種資料增強技術，如隨機裁剪、縮放、旋轉和色彩調整等，以提高模型在各種環境條件下的泛化能力。此外，透過遷移學習技術，我們使用在大規模通用資料集上預訓練的模型作為起點，針對特定的犬種資料集進行細緻的微調，這樣既加速了模型訓練過程，也提升了識別效能。
技術框架和開發工具：系統開發基於PyTorch深度學習框架，利用其提供的靈活程式設計環境和強大的GPU加速功能，確保了快速迭代和高效的模型訓練。為構建使用者介面，我們選用了基於Streamlit的Web應用框架，該框架支援快速開發互動式資料應用，極大簡化了前端程式碼的複雜度。同時，使用CSS進行介面美化和風格定製，提升了使用者互動體驗。所有開發和除錯工作在PyCharm IDE中進行，以利用其高效的程式碼管理和除錯功能。
功能實現和系統設計：本系統設計支援多種輸入源，包括圖片、影片檔案和實時攝像頭輸入，以適應使用者在不同場景下的使用需求。我們實現了模型動態切換功能，使用者可以根據需求選擇使用YOLOv8、v7、v6或v5進行識別，這增加了系統的靈活性。此外，基於Streamlit框架，我們設計了直觀易用的使用者介面，支援實時檢測結果展示、歷史資料查詢和模型選擇等功能。
資料處理和儲存策略：為保證系統的實時效能和長期執行的資料管理效率，我們採用了高效的資料處理流程和智慧資料儲存方案。利用PyTorch的資料載入器和預處理功能，實現了快速的資料讀取和預處理。對於識別結果和歷史資料，我們設計了合理的儲存結構，以便於使用者進行有效的資料查詢和分析。
效能最佳化和系統測試：為確保系統的高效能和穩定性，我們對模型和系統進行了全面的效能分析和最佳化。這包括模型壓縮、硬體加速等手段，以提升檢測速度和減少計算資源消耗。在開發過程中，我們進行了詳盡的單元測試、功能測試和壓力測試，確保系統的可靠性和使用者體驗的優質性。

2.4 博文貢獻與組織結構

本文對於犬種識別領域的貢獻可以概括為以下幾個方面：

綜合性的文獻綜述：我們提供了一個全面的文獻綜述，詳細介紹了目標檢測技術特別是YOLO系列在犬種識別任務中的應用歷史和最新進展。這包括對YOLOv8、v7、v6、v5等版本的詳細比較和分析，以及對其他相關技術如ViT、注意力機制等的探討，為讀者提供了一個深入理解當前技術狀態的視窗。
詳盡的資料集處理：文章深入討論了資料集的處理方法，包括資料收集、預處理、增強技術等，這對於提高模型訓練的效率和識別準確率至關重要。我們分享了一系列實用的技巧和策略，幫助讀者有效處理和利用影像資料。
演算法選擇與最佳化：本文不僅介紹了採用的YOLOv8/v7/v6/v5等深度學習模型，還詳細闡述了為何選擇這些模型及其各自的優勢。此外，文章還探討了模型最佳化的方法，如何透過調整引數和結構來適應犬種識別的特定需求。
美觀友好的網頁設計：我們採用Streamlit框架設計了一個既美觀又使用者友好的網頁應用，使得非專業使用者也能輕鬆地使用犬種識別系統。本文詳細介紹了網頁設計的思路、實現方法以及使用者互動的設計，展示瞭如何將複雜的深度學習模型以簡潔直觀的方式呈現給終端使用者。
演算法效果對比：文章提供了YOLOv7、v6、v5等演算法在犬種識別任務上的效果對比，透過實驗資料直觀展示了不同模型的效能差異，為讀者選擇適合自己需求的模型提供了參考依據。
完整的資源分享：為了方便讀者復現和進一步研究，我們提供了完整的資料集和程式碼資源包的下載連結，包括模型的預測和訓練程式碼，這是本文的一大亮點。

後續章節的組織結構如下：緒論：介紹研究背景、目的和本文的主要貢獻；演算法原理：詳細介紹YOLOv8/v7/v6/v5等演算法的工作原理及其在犬種識別中的應用；資料集處理：討論使用的資料集及其預處理、增強方法。程式碼介紹：提供模型訓練和預測的詳細程式碼說明，包括環境搭建、引數配置和執行步驟。實驗結果與分析：展示不同模型在犬種識別任務上的實驗結果，並進行比較分析。系統設計與實現：介紹基於Streamlit的犬種識別系統的設計與實現細節。結論與未來工作：總結本文的研究成果，並討論未來的研究方向和潛在的改進空間。

3. 資料集處理

在構建基於YOLOv8/v7/v6/v5的犬種識別系統的過程中，資料集的質量和處理是成功的關鍵。我們精心準備的資料集包含6975張圖片，涵蓋多個不同的犬種，其中包括6087張訓練圖片，571張驗證圖片，以及317張測試圖片。這一分佈確保了模型能在訓練階段接觸到足夠多的資料，同時也使我們能夠在模型開發過程中進行準確的效能評估。博主使用的類別如下：

Chinese_name = {'Akita': "秋田犬", 'Australian Shepard': "澳大利亞牧羊犬", 'Basset Hound': "巴賽特獵犬",
                'Beagle': "小獵犬", 'Cavalier King Charles Spaniel': "騎士查理王獵犬",
                'Corgi': "柯基犬", 'Dachshund': "臘腸犬", 'German Shepherd': "德國牧羊犬",
                'Golden Retriever': "金毛獵犬", 'Husky': "哈士奇", 'Pitbull': "鬥牛犬",
                'Rottweiler': "羅威納犬", 'Shibu Inu': "柴犬"}

資料集中的每張圖片都經過了精心的預處理，以保證資料的一致性和質量。所有圖片都根據其EXIF資訊進行了自動方向校正，並去除了任何可能導致混淆的方向資訊。此外，為了標準化輸入資料並減少模型訓練和推理時的計算複雜度，所有影像都被調整為統一的448x448畫素大小。這種統一的預處理步驟為模型訓練提供了堅實的基礎，有助於避免因影像大小不一致帶來的變化。

資料集中包含的犬種反映了實際世界中的多樣性，從常見的如金毛尋回犬和哈士奇，到較少見的如柴犬和臘腸犬，不等數量的例項意味著我們的模型需要能夠處理不均衡資料。這種不平衡可能導致模型對於常見犬種過度最佳化，而忽視了那些較少見的犬種。因此，我們可能需要採取特定的策略來解決這個問題，如對較少見犬種的影像進行過取樣，或在訓練過程中調整不同類別的權重，以保證所有犬種都能被模型學習到。

資料集的另一個關鍵特點是邊界框的分佈，它為我們提供了關於犬隻在影像中位置的資訊。大多數標註框集中在影像中心，這與動物攝影中常見的構圖方式相符，但我們也觀察到了邊界框在影像邊緣的分佈，提示我們模型需要識別不僅是位於影像中心，也包括那些位於邊緣的目標。此外，寬高比分佈表明雖然多數犬隻的尺寸相對統一，但模型同樣需要能夠處理各種不同姿態的犬隻，例如躺下或跳躍的動作。

總之，我們的資料集旨在提供一個全面的視角，以支援高效、準確的犬種識別。透過精心的預處理和資料增強，我們確保了模型可以從影像中學習到豐富的資訊，並能夠適應現實世界的多樣性和複雜性。

4. 原理與程式碼介紹

4.1 YOLOv8演算法原理

YOLOv8是一種先進的深度學習模型，專為實現高效準確的目標檢測而設計。其核心思想是將目標檢測任務視為一個迴歸問題，透過單一的前向傳播過程直接預測出影像中物體的類別和位置。

YOLOv8繼承了YOLO系列演算法的設計，最佳化並改進了網路結構，使其在速度和準確率之間達到更好的平衡。它採用了一個深度卷積神經網路作為其基礎架構，通常以類似於Darknet-53的網路作為骨幹，這種網路深度和寬度的平衡設計使得模型能夠捕捉到豐富的特徵資訊，同時保持了較快的處理速度。

YOLOv8的網路結構通常包括幾個關鍵部分：首先是輸入預處理，它將輸入影像統一調整至固定的尺寸（例如416x416畫素），以保證網路輸入的一致性。隨後，影像透過多層卷積網路，這一過程中會使用到多種型別的卷積層，包括標準的卷積層、殘差連線以及BottleNeck層。這些層次的設計旨在提取影像中的特徵，為後續的目標檢測任務奠定基礎。

在特徵提取過程中，YOLOv8透過使用批次歸一化（Batch Normalization, BN）和CBL（Convolution, Batch normalization, Leaky ReLU）模組來加速訓練過程並提高模型的穩定性。BN層可以減少內部協變數偏移，提高模型訓練過程的穩定性和泛化能力。CBL模組則是YOLOv8網路中重複使用的基本構建塊，透過這種模組化的設計，YOLOv8能夠以較小的計算成本提取深層次的特徵資訊。

YOLOv8的另一個顯著特點是它的預測方式。它將影像分割為一個個網格，並在每個網格中預測多個邊界框及其對應的置信度和類別機率。這種設計使得YOLOv8能夠在影像中的多個位置同時預測多個目標，大幅提高了檢測的效率。為了減少重複檢測和提高檢測準確性，YOLOv8還採用了非極大值抑制（Non-maximum Suppression, NMS）的技術，透過此技術可以篩選出最佳的邊界框，並抑制那些重疊較多且置信度較低的邊界框。

總之，YOLOv8透過其創新的網路結構和預測機制，為實時目標檢測任務提供了一種既快速又準確的解決方案。它的設計理念和技術細節共同確保了在保持高速處理的同時，也能夠準確地識別出影像中的各種目標。這一系列的技術進步使得YOLOv8在目標檢測領域中佔據了領先地位，並被廣泛應用於各種實際場景中。

4.2 模型構建

本文的程式碼介紹部分旨在展示我們如何利用深度學習模型進行犬種識別。我們詳細探討用於構建犬種識別模型的關鍵指令碼——YOLOv8v5Model.py。這個Python指令碼是模型構建過程的核心，貫穿了從影像輸入到輸出結果的完整流程。。首先，指令碼引入了必要的Python庫。OpenCV庫負責處理影像，是計算機視覺應用的基石。PyTorch是一個廣泛使用的深度學習庫，提供了強大的張量計算和自動梯度計算功能，適合構建和訓練複雜的深度學習模型。此外，從QtFusion和ultralytics匯入的模組提供了目標檢測的具體功能，包括用於例項化和執行預訓練YOLO模型的類，以及選擇運算裝置的工具函式。

import cv2
import torch
from QtFusion.models import Detector
from datasets.label_name import Chinese_name
from ultralytics import YOLO
from ultralytics.utils.torch_utils import select_device

在初始化引數ini_params中，定義了幾個關鍵配置項。device指明模型執行在GPU還是CPU上，影響著模型的運算速度和效率。conf設定了置信度閾值，這個閾值決定了什麼級別的預測結果被視為有效檢測。iou引數是非極大值抑制(NMS)過程中使用的閾值，用於過濾掉重疊的邊界框。classes和verbose分別用於指定檢測特定類別和是否列印詳細資訊。

device = "cuda:0" if torch.cuda.is_available() else "cpu"
ini_params = {
    'device': device,
    'conf': 0.25,
    'iou': 0.5,
    'classes': None,
    'verbose': False
}

count_classes函式是一個實用工具，用於統計預測結果中每個類別的例項數量。這對於瞭解模型在各類別上的表現和可能需要額外關注的類別非常有幫助。

def count_classes(det_info, class_names):
    count_dict = {name: 0 for name in class_names}
    for info in det_info:
        class_name = info['class_name']
        if class_name in count_dict:
            count_dict[class_name] += 1
    count_list = [count_dict[name] for name in class_names]
    return count_list

類YOLOv8v5Detector是構建犬種識別系統的核心。它從Detector抽象基類派生而來，提供了一個魯棒的框架，包括載入模型、預處理影像、執行預測和後處理預測結果等功能。在__init__建構函式中，模型和影像初始化為None，保持了一定的靈活性直到模型檔案路徑被傳遞給load_model方法。load_model方法利用選擇的裝置載入YOLO模型。透過呼叫select_device函式，確保了模型在有GPU可用時優先使用GPU，否則回退到CPU。模型載入後，指令碼將模型的類別名稱翻譯為中文，以便在使用者介面上顯示。preprocess方法目前僅返回傳入的原始影像，但它為未來可能的影像轉換提供了介面。在predict方法中，透過YOLO模型對影像進行預測。這個方法直接呼叫了ultralytics YOLO模型的推理介面，傳入影像和初始化引數。

class YOLOv8v5Detector(Detector):
    def __init__(self, params=None):
        super().__init__(params)
        self.model = None
        self.img = None
        self.names = list(Chinese_name.values())
        self.params = params if params else ini_params
	def load_model(self, model_path):
	    self.device = select_device(self.params['device'])
	    self.model = YOLO(model_path)
	    names_dict = self.model.names
	    self.names = [Chinese_name[v] if v in Chinese_name else v for v in names_dict.values()]
	    self.model(torch.zeros(1, 3, *[self.imgsz] * 2).to(self.device).type_as(next(self.model.model.parameters())))
	def preprocess(self, img):
	    self.img = img
	    return img
	
	def predict(self, img):
	    results = self.model(img, **ini_params)
	    return results
	
	def postprocess(self, pred):
	    results = []
	    for res in pred[0].boxes:
	        for box in res:
	            class_id = int(box.cls.cpu())
	            bbox = box.xyxy.cpu().squeeze().tolist()
	            bbox = [int(coord) for coord in bbox]
	            result = {
	                "class_name": self.names[class_id],
	                "bbox": bbox,
	                "score": box.conf.cpu().squeeze().item(),
	                "class_id": class_id,
	            }
	            results.append(result)
	    return results
	    
    def set_param(self, params):
        self.params.update(params)

postprocess方法是結果解析的關鍵所在。它將模型的輸出轉換為包含類別名稱、邊界框、置信度和類別ID的字典列表。這些資訊是後續步驟，如展示預測結果、進行進一步分析或儲存結果所必需的。最後，set_param方法允許更新模型引數，使我們能夠根據需要調整識別閾值或IOU標準，提供了進一步最佳化模型效能的可能。

透過這個指令碼，我們構建了一個靈活而強大的犬種識別模型，它不僅可以準確地識別和區分不同的犬種，還可以透過調整引數以適應各種不同的應用場景。

4.3 訓練程式碼

在犬種識別的深度學習任務中，模型的訓練是一個至關重要的過程。訓練環節負責將演算法應用於實際資料，透過迭代學習來提升模型的效能。這一段部落格將詳細介紹如何使用Python程式碼對YOLOv8模型進行訓練，以及這些程式碼背後的含義以下表格詳細介紹了YOLOv8模型訓練中使用的一些重要超引數及其設定：

超引數	設定	說明
學習率（`lr0`）	0.01	決定了模型權重調整的步長大小，在訓練初期有助於快速收斂。
學習率衰減（`lrf`）	0.01	控制訓練過程中學習率的降低速度，有助於模型在訓練後期細緻調整。
動量（`momentum`）	0.937	加速模型在正確方向上的學習，並減少震盪，加快收斂速度。
權重衰減（`weight_decay`）	0.0005	防止過擬合，透過在損失函式中新增正則項減少模型複雜度。
熱身訓練週期（`warmup_epochs`）	3.0	初始幾個週期內以較低的學習率開始訓練，逐漸增加到預定學習率。
批次大小（`batch`）	16	每次迭代訓練中輸入模型的樣本數，影響GPU記憶體使用和模型效能。
輸入影像大小（`imgsz`）	640	模型接受的輸入影像的尺寸，影響模型的識別能力和計算負擔。

環境設定與模型載入：首先，我們的程式碼透過匯入必要的庫和包開始，其中torch是PyTorch深度學習框架的核心庫，而yaml用於處理配置檔案。ultralytics的YOLO類是一個介面，用於載入預訓練的YOLO模型，並執行訓練任務。QtFusion.path中的abs_path函式用於獲取檔案的絕對路徑，這對於確保資料集路徑的準確性至關重要。

import os
import torch
import yaml
from ultralytics import YOLO  # 用於載入YOLO模型
from QtFusion.path import abs_path  # 用於獲取檔案的絕對路徑

模型訓練的準備工作包括設定計算資源（GPU或CPU）和指定訓練用的資料集。GPU顯著加速了模型的訓練過程，而CPU則為沒有專業硬體支援的使用者提供了可能性。

device = "0" if torch.cuda.is_available() else "cpu"

資料集準備：接著，在訓練模型之前，首先定義了工作程序數workers和批次大小batch，這些引數直接影響資料載入和批處理的效率。在多處理器系統中，增加工作程序可以加速資料的載入，而批次大小則需要根據GPU的記憶體來適配，以防止記憶體溢位。隨後，指令碼讀取並更新了資料集配置檔案.yaml，這一步驟非常重要，因為它確保了訓練過程中資料的正確載入和引用。配置檔案中的路徑被更新為正確的目錄路徑，這項操作避免了在不同工作環境或作業系統中可能出現的路徑錯誤。

workers = 1  # 工作程序數
batch = 8  # 每批處理的影像數量
data_name = "DogSeeker"
data_path = abs_path(f'datasets/{data_name}/{data_name}.yaml', path_type='current')
unix_style_path = data_path.replace(os.sep, '/')

訓練開始前，需要確保資料集的配置正確無誤。我們透過處理YAML檔案，保證了資料集的路徑準確指向存放訓練和驗證影像的位置。

directory_path = os.path.dirname(unix_style_path)
with open(data_path, 'r') as file:
    data = yaml.load(file, Loader=yaml.FullLoader)

if 'path' in data:
    data['path'] = directory_path
    with open(data_path, 'w') as file:
        yaml.safe_dump(data, file, sort_keys=False)

訓練模型：模型訓練前，我們載入了一個yolov8n.pt檔案，這是YOLOv8網路的預訓練權重，代表了一個訓練好的網路，可以在我們的特定資料集上進行微調。接下來，model.train函式呼叫啟動了實際的訓練過程。我們向該函式傳遞了多個關鍵引數，包括資料集的配置檔案路徑、計算裝置、工作程序數、輸入影像大小imgsz、訓練週期epochs和批次大小batch。這些引數共同定義了訓練過程的各個方面，從基礎架構到訓練細節。最後，訓練的結果被命名為'train_v8_' + data_name，這為輸出檔案提供了描述性的名稱，方便後續查詢和引用。

model = YOLO(abs_path('./weights/yolov5nu.pt', path_type='current'), task='detect')  # 載入預訓練的YOLOv8模型
# model = YOLO('./weights/yolov5.yaml', task='detect').load('./weights/yolov5nu.pt')  # 載入預訓練的YOLOv8模型
# Training.
results = model.train(  # 開始訓練模型
    data=data_path,  # 指定訓練資料的配置檔案路徑
    device=device,  # 自動選擇進行訓練
    workers=workers,  # 指定使用2個工作程序載入資料
    imgsz=640,  # 指定輸入影像的大小為640x640
    epochs=120,  # 指定訓練100個epoch
    batch=batch,  # 指定每個批次的大小為8
    name='train_v5_' + data_name  # 指定訓練任務的名稱
)
model = YOLO(abs_path('./weights/yolov8n.pt'), task='detect')  # 載入預訓練的YOLOv8模型
results2 = model.train(  # 開始訓練模型
    data=data_path,  # 指定訓練資料的配置檔案路徑
    device=device,  # 自動選擇進行訓練
    workers=workers,  # 指定使用2個工作程序載入資料
    imgsz=640,  # 指定輸入影像的大小為640x640
    epochs=120,  # 指定訓練100個epoch
    batch=batch,  # 指定每個批次的大小為8
    name='train_v8_' + data_name  # 指定訓練任務的名稱
)

整個訓練過程旨在利用深度學習技術提取資料中的模式，以便模型學習如何準確地識別不同的犬種。透過這段程式碼，我們可以訓練出一個強大的犬種識別模型，它不僅能夠區分各種犬種，而且在面對新的、未曾見過的犬種影像時，也能展現出良好的泛化能力。

5. 實驗結果與分析

5.1 訓練曲線

在深度學習領域，損失函式的影像和評價指標是理解模型訓練過程和效能的重要工具。這些圖表提供了模型在訓練和驗證過程中表現的直觀概覽，並揭示了模型學習的效率和問題所在。分析YOLOv8模型的訓練過程，我們可以看到一系列圖表，包括了損失函式的變化和模型效能的各項指標。

首先，觀察損失函式的圖表，分為訓練集和驗證集的邊界框損失（train/box_loss和val/box_loss）、類別損失（train/cls_loss和val/cls_loss）以及目標檢測損失（train/obj_loss和val/obj_loss）。在訓練過程中，邊界框損失、類別損失和目標檢測損失都顯著下降，表明模型逐漸學習到了區分不同犬種的特徵，並能準確地定位和分類影像中的目標。這些損失函式的下降趨勢對於模型訓練是積極的訊號，意味著模型在提高其預測準確性的同時，正變得更加穩定。

對於驗證集上的損失，我們通常希望看到與訓練集類似的下降趨勢，這表示模型在未見過的資料上同樣表現良好，沒有發生過擬合現象。從圖表中可以看出，val/box_loss、val/cls_loss和val/obj_loss整體趨勢也呈現出下降的走勢，說明模型在驗證集上同樣具有較好的泛化能力。損失的下降在開始時較快，然後逐漸減緩並穩定下來，這是一個典型的訓練過程中的表現，表示模型正逐漸接近其效能極限。

除了損失函式之外，模型的效能也透過精確度（precision）、召回率（recall）、平均精度（mAP@0.5）和更為嚴格的平均精度（mAP@0.5-0.95）來評估。精確度指的是模型預測為正的樣本中實際為正的比例，而召回率則是模型正確預測為正的樣本佔所有實際正樣本的比例。從圖表中可以看到，隨著訓練的進行，精確度和召回率均顯著提高，並在訓練的後期趨於平穩，這表明模型不僅能夠準確識別犬種，而且在捕獲各類犬種方面也表現出色。

mAP@0.5是一種衡量模型檢測效能的指標，它考慮了不同置信度閾值下的平均精確度。在mAP@0.5指標上，模型表現出了穩定的提升，這表明模型對於大部分犬種都有著不錯的識別能力。對於mAP@0.5-0.95指標，它涵蓋了從0.5到0.95不同IOU（交併比）閾值下的效能，是一個更全面嚴格的效能評估。在這個指標上，模型同樣表現出了穩步提升，顯示了模型在不同的嚴格標準下都保持了良好的效能。

5.2 混淆矩陣

混淆矩陣是評估分類模型效能的重要工具，它揭示了模型對各個類別識別能力的詳細情況。在本次犬種識別模型的評估中，混淆矩陣以一種清晰的檢視展示了不同犬種之間的識別準確性。

從混淆矩陣中我們可以看出，多數犬種，如Beagle、Cavalier King Charles Spaniel、Dachshund和Golden Retriever等，都被模型以非常高的準確率識別，這反映在矩陣對角線上接近1的數值。這意味著對於這些犬種，模型能夠非常準確地分類，說明訓練過程成功地讓模型捕捉到了這些品種的獨特特徵。

然而，混淆矩陣同樣展示了模型在某些類別間識別上的不足。例如，Australian Shepard和Akita之間就存在一定程度的混淆，這可能是因為這兩個品種在體型或毛色上的相似性造成的。此外，Basset Hound和Rottweiler之間也有輕微的混淆，儘管這種混淆在實際值上不是非常顯著，但它提示我們在這些犬種之間可能需要更多的辨識特徵來提升模型的區分能力。

模型在區分背景和具體犬種方面表現出色，矩陣中“background”類別的預測準確率達到了1.00。這表明模型很好地學習到了區分犬隻和非犬隻場景的特徵，這對於實際應用中模型的使用是非常重要的，尤其是在自然環境中，背景可能包含各種複雜的資訊。

整體而言，這個混淆矩陣為我們提供了模型在犬種識別任務上的全面效能檢視。對於那些識別準確率高的犬種，我們可以進一步分析模型所捕獲的關鍵特徵，並將這些特徵用於類似品種的識別最佳化。對於識別表現不足的品種，我們可以透過增加樣本多樣性、改進特徵提取技術或者微調分類閾值等方式來改進模型的表現。透過這樣深入的分析和最佳化，我們的目標是打造一個更加魯棒和精準的犬種識別系統，能夠滿足不同場景和使用者的需求。

5.3 YOLOv8/v7/v6/v5對比實驗

（1）實驗設計：
本實驗旨在評估和比較YOLOv5、YOLOv6、YOLOv7和YOLOv8幾種模型在犬種目標檢測任務上的效能。為了實現這一目標，博主分別使用使用相同的資料集訓練和測試了這四個模型，從而可以進行直接的效能比較。該資料集包含犬種的影像。本文將比較分析四種模型，旨在揭示每種模型的優缺點，探討它們在工業環境中實際應用的場景選擇。

模型	影像大小 (畫素)	mAPval 50-95	CPU ONNX 速度 (毫秒)	A100 TensorRT 速度 (毫秒)	引數數量 (百萬)	FLOPs (十億)
YOLOv5nu	640	34.3	73.6	1.06	2.6	7.7
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv6N	640	37.5	-	-	4.7	11.4
YOLOv7-tiny	640	37.4	-	-	6.01	13.1

（2）度量指標：

F1-Score：F1-Score 作為衡量模型效能的重要指標，尤其在處理類別分佈不均的資料集時顯得尤為關鍵。它透過結合精確率與召回率，提供了一個單一的度量標準，能夠全面評價模型的效能。精確率衡量的是模型在所有被標記為正例中真正屬於正例的比例，而召回率則關注於模型能夠識別出的真正正例佔所有實際正例的比例。F1-Score透過兩者的調和平均，確保了只有當精確率和召回率同時高時，模型的效能評估才會高，從而確保了模型對於正例的預測既準確又完整。

mAP（Mean Average Precision）：在目標檢測任務中，Mean Average Precision（mAP）是評估模型效能的重要標準。它不僅反映了模型對單個類別的識別精度，而且還考慮了所有類別的平均表現，因此提供了一個全域性的效能度量。在計算mAP時，模型對於每個類別的預測被單獨考慮，然後計算每個類別的平均精度（AP），最後這些AP值的平均數形成了mAP。

名稱	YOLOv5nu	YOLOv6n	YOLOv7-tiny	YOLOv8n
mAP	0.960	0.966	0.957	0.971
F1-Score	0.95	0.95	0.89	0.96

（3）實驗結果分析：

在犬種識別這一任務中，我們對YOLO系列的幾個版本進行了細緻的對比實驗，以探究不同模型在同一資料集上的效能差異。實驗設計目的是評估各模型的檢測效能，為未來的研究和應用選擇最合適的模型提供參考依據。在實驗中，我們採用了F1-Score和mAP這兩個度量指標。F1-Score平衡了精確度和召回率的影響，而mAP（平均精度均值）則衡量了模型在不同置信度閾值下的效能。

從實驗結果來看，YOLOv5nu、YOLOv6n、YOLOv7-tiny和YOLOv8n在mAP上分別獲得了0.960、0.966、0.957和0.971的得分；在F1-Score上，它們分別獲得了0.95、0.95、0.89和0.96的得分。這些結果揭示了各模型在犬種識別任務上的準確性和可靠性。

在對模型間指標進行對比時，我們注意到YOLOv8n在mAP上的表現最為突出，達到了0.971的高分，這意味著在犬種識別的準確性和一致性上，YOLOv8n展示了非凡的能力。其次是YOLOv6n，mAP為0.966，接近YOLOv8n的表現。而在F1-Score的對比中，YOLOv8n同樣表現最佳，達到了0.96的得分，表明它在精確度和召回率之間達到了很好的平衡。YOLOv5nu和YOLOv6n在F1-Score上持平，這表明它們在精確度和召回率方面的表現相對均衡。

分析YOLOv7-tiny相對較低的得分，其在mAP和F1-Score上分別為0.957和0.89，我們可以推測可能由於它作為一個“tiny”版本，其網路結構相對簡化，可能不包含足夠的層和引數來捕獲資料中的複雜特徵。這在處理多樣化的犬種特徵時可能是一個限制因素。

YOLOv8n之所以表現出色，與其使用的先進網路架構和最佳化技術有關。YOLOv8n採用了更深或更復雜的網路結構，改進了特徵提取的能力，在訓練過程中使用了更先進的正則化和最佳化策略，從而提高了模型泛化能力。

綜上所述，這些實驗結果為我們提供了各版本YOLO模型在犬種識別任務上的細緻比較。透過這些資料，我們可以更好地理解不同模型架構對任務效能的影響，以及如何根據特定任務的需求選擇合適的模型。未來的研究可以探索結合這些模型的優點，或者利用其他技術進一步提升模型效能。

6. 系統設計與實現

6.1 系統架構概覽

在設計基於YOLOv8/v7/v6/v5的犬種識別系統時，我們採取了模組化和麵向物件的方法，以確保系統不僅具有高效率，還擁有良好的可擴充套件性和易維護性。下面，我將詳細介紹系統架構的設計思路及其關鍵組成部分。犬種識別系統主要由以下幾個核心元件構成：模型載入與預處理、影像處理與檢測、結果展示與日誌記錄。每個元件都設計成一個或多個具體的類，負責不同的功能模組，從而確保了系統的高內聚性和低耦合度。

模型載入與預處理

在YOLOv8v5Detector類中，我們專注於YOLO模型的載入和預處理操作。首先，load_model方法負責載入預訓練的YOLO模型，確保我們能夠快速準確地識別犬種。接著，preprocess方法用於影像的預處理，包括大小調整、歸一化等，以適配YOLO模型的輸入需求。

影像處理與檢測

在Detection_UI類中，系統整合了使用者介面與檢測邏輯。此類不僅處理使用者輸入（如上傳的圖片或影片、攝像頭捕捉的實時影像），還負責呼叫YOLOv8v5Detector來執行犬種的識別。process_camera_or_file方法透過處理不同型別的輸入源（圖片、影片或實時攝像頭捕獲），並將其送入模型進行檢測。而frame_process方法則負責對單個影像幀進行預測，呼叫模型預測並處理預測結果，包括繪製檢測框、顯示類別等。

結果展示與日誌記錄

系統透過LogTable和ResultLogger兩個類來進行檢測結果的記錄和展示。LogTable類負責在使用者介面上顯示檢測日誌和結果的表格，允許使用者實時檢視每個檢測到的物件的詳細資訊，如類別、置信度、位置等。同時，ResultLogger類用於將檢測結果合併為人類可讀的格式，便於後續分析和報告。

6.2 系統流程

在本節中，我們將深入探討基於YOLOv8/v7/v6/v5的犬種識別系統的工作流程。為了便於理解，我們將按照系統從啟動到產出結果的過程，詳細解釋每個步驟的邏輯和功能。請注意，雖然這裡主要基於YOLOv8的實現，但相似的邏輯也適用於YOLOv7、YOLOv6和YOLOv5的版本。

初始化系統

首先，系統透過Detection_UI類的建構函式進行初始化。這包括設定基本的UI配置（如標題、頁面佈局）、初始化模型設定（包括模型型別、置信度閾值、IOU閾值等）、攝像頭配置、檔案型別選擇以及上傳檔案處理。此外，它還涉及到一些預設的環境準備，如載入類別標籤、為每個類別分配顏色等。

設定側邊欄引數

透過setup_sidebar方法，系統為使用者提供了一系列的互動選項，讓使用者可以自定義模型設定，選擇輸入源（攝像頭或檔案），並調整置信度閾值和IOU閾值等引數。

檔案上傳與處理

對於圖片檔案：使用者透過側邊欄上傳圖片檔案，系統將透過uploaded_file變數接收並處理這些檔案。
對於影片檔案：類似地，使用者可以上傳影片檔案，系統透過uploaded_video變數接收並處理。

攝像頭處理

如果使用者選擇了攝像頭作為輸入源，系統將透過process_camera_or_file方法啟用攝像頭，並捕獲實時影片流進行處理。

幀處理與目標檢測

無論是來自攝像頭的實時影片流，還是使用者上傳的圖片或影片檔案，每一幀都將透過frame_process方法進行處理。該方法首先調整影像尺寸以符合模型要求，然後使用YOLOv8/v7/v6/v5模型進行目標檢測，最後對檢測結果進行後處理，以便在UI上展示。

結果展示與日誌記錄

檢測結果將透過UI動態展示給使用者，包括檢測到的物件標籤、置信度、檢測框等資訊。此外，系統還透過LogTable類進行結果的日誌記錄，支援匯出檢測結果為CSV檔案，以便於進一步的分析和使用。

互動式功能

系統提供了一些互動式功能，如選擇顯示模式（單畫面或雙畫面顯示）、目標過濾（透過toggle_comboBox方法），以及開始和停止檢測的控制，使使用者能夠根據需要動態調整系統的執行。

透過這一系列的流程，基於YOLOv8/v7/v6/v5的犬種識別系統能夠有效地處理使用者輸入，無論是實時影片流、圖片還是影片檔案，並準確地檢測出影像中的犬種。使用者可以透過側邊欄靈活配置模型引數，實現定製化的檢測需求，同時，系統的日誌記錄功能也方便了後續的分析和分享。

程式碼下載連結

如果您希望獲取部落格中提及的完整資源包，包含測試圖片、影片、Python檔案(*.py)、網頁配置檔案、訓練資料集、程式碼及介面設計等，可訪問博主在麵包多平臺的上傳內容。相關的部落格和影片資料提供了所有必要檔案的下載連結，以便一鍵執行。完整資源的預覽如下圖所示：

資源包中涵蓋了你需要的訓練測試資料集、訓練測試程式碼、UI介面程式碼等完整資源，完整專案檔案的下載連結可在下面的影片簡介中找到➷➷➷

演示與介紹影片 ：https://www.bilibili.com/video/BV1Ax4y1v7sY/
YOLOv8/v7/v6/v5專案合集下載：https://mbd.pub/o/bread/mbd-ZZ2Xm5pv
YOLOv8和v5專案完整資源下載：https://mbd.pub/o/bread/mbd-ZZ2XmJdp
YOLOv7專案完整資源下載：https://mbd.pub/o/bread/mbd-ZZ2XmZ1q
YOLOv6專案完整資源下載：https://mbd.pub/o/bread/mbd-ZZ2Xmp1s

完整安裝執行教程：

這個專案的執行需要用到Anaconda和Pycharm兩個軟體，下載到資原始碼後，您可以按照以下連結提供的詳細安裝教程操作即可執行成功，如仍有執行問題可私信博主解決：

Pycharm和Anaconda的安裝教程：https://deepcode.blog.csdn.net/article/details/136639378；

軟體安裝好後需要為本專案新建Python環境、安裝依賴庫，並在Pycharm中設定環境，這幾步採用下面的教程可選線上安裝（pip install直接線上下載包）或離線依賴包（博主提供的離線包直接裝）安裝兩種方式之一：

Python環境配置教程：https://deepcode.blog.csdn.net/article/details/136639396（2,3方法可選一種）；
離線依賴包的安裝指南：https://deepcode.blog.csdn.net/article/details/136650641（2,3方法可選一種）；

如使用離線包方式安裝，請下載離線依賴庫，下載地址：https://pan.baidu.com/s/1uHbU9YzSqN0YP_dTHBgpFw?pwd=mt8u （提取碼：mt8u）。

7. 結論與未來工作

本文透過深入研究並實踐了基於YOLOv8/v7/v6/v5的深度學習模型在犬種識別領域的應用，成功開發了一個結合了這些先進演算法的犬種識別系統。透過對多個版本的YOLO模型進行細緻的比較和最佳化，本研究不僅提升了犬種識別的準確率和實時性，還透過Streamlit建立了一個直觀、美觀且易於使用的Web應用，使使用者能夠輕鬆地進行犬種識別，從而在實際應用中發揮重要作用。

經過一系列實驗驗證，本文所提出的方法在犬種識別的準確性和處理速度上都達到了令人滿意的水平。同時，我們還提供了完整的資料集處理流程、模型訓練和預測的程式碼，以及基於Streamlit的系統設計和實現細節，為後續的研究者和開發者復現和參考提供了方便。儘管取得了一定的成果，但犬種識別作為一個複雜多變的任務，仍然面臨著許多挑戰和改進空間。在未來的工作中，我們計劃從以下幾個方向進行探索：

模型最佳化：繼續探索更深層次的網路結構和最佳化策略，如神經網路架構搜尋（NAS）技術，以進一步提升模型的效能和效率。
多模態融合：考慮結合影像外的其他資訊，如犬隻的行為特徵、叫聲等多模態資訊，採用多模態學習方法進行犬種識別，以更全面地理解犬隻的特性。
跨域適應性：研究不同環境、不同條件下的犬種識別，透過領域自適應技術提高模型在多變環境中的泛化能力。
使用者互動體驗：進一步最佳化系統的使用者介面和互動設計，使其更加人性化、智慧化，以滿足更廣泛使用者的需求。
實際應用擴充：探索犬種識別在更多實際應用場景中的應用，如寵物管理、遺傳病識別、動物保護等，以發揮其最大的社會和經濟價值。

總之，犬種識別技術正處於快速發展之中，隨著技術的不斷進步和應用場景的擴充套件，其在動物科學和寵物產業中的價值將持續增長。

Pan X, Zhao J, Xu J. A scene images diversity improvement generative adversarial network for remote sensing image scene classification[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 17(10): 1692-1696. ↩︎
Ren S, He K, Girshick R, et al. Faster r-cnn: Towards real-time object detection with region proposal networks[J]. Advances in neural information processing systems, 2015, 28. ↩︎
Liu W, Anguelov D, Erhan D, et al. Ssd: Single shot multibox detector[C]//Computer Vision–ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, October 11–14, 2016, Proceedings, Part I 14. Springer International Publishing, 2016: 21-37. ↩︎
Dosovitskiy A, Beyer L, Kolesnikov A, et al. An image is worth 16x16 words: Transformers for image recognition at scale[J]. arXiv preprint arXiv:2010.11929, 2020. ↩︎
Huang R, Pedoeem J, Chen C. YOLO-LITE: a real-time object detection algorithm optimized for non-GPU computers[C]//2018 IEEE international conference on big data (big data). IEEE, 2018: 2503-2510. ↩︎